一种基于RN网络电流多特征形态识别的电机故障诊断方法技术

本发明专利技术公开了一种电机的故障诊断方法，包括采集电机的电流数据进行特征处理，并由此获得电流谐波、转频谐波等电流特征数据；对电流特征数据进行属性约简，提取电机故障诊断的关键特征属性；截取关键特征属性的最大5%、最小5%数据进行拟合得到边界形态图像；将形态图像输入RN网络进行异常形态识别；对不同关键特征属性的边界异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。本申请保证了电机故障类型判断的准确性和及时性，减少了工厂的经济损失。此外，本申请还提出了一种电机智能管理框架，将云端、智能边缘端以及客户端联系起来，方便运维工程师对电机的智能化管理。理。理。

【技术实现步骤摘要】
一种基于RN网络电流多特征形态识别的电机故障诊断方法


[0001]本专利技术属于电机故障分析
，特别是涉及一种基于RN网络电流多特征形态识别的电机故障诊断方法。

技术介绍

[0002]在工厂的钢坯运输中，运输钢坯的辊道是由电机所驱动的，但因现场的环境因素或电机的本身原因，电机经常会出现故障。对于电机故障的维修，工厂一般会等机器坏了之后维修或定时维修，这种维修模式不仅会增加工厂的经济支出，还会造成过度维修。而且工厂一般会基于电机的振动信号对其进行故障诊断，但考虑到振动传感器需要安装在电机本体上，安装过程复杂且振动传感器价格昂贵，对于工厂来说性价比并不高。因此，本专利提出了一种基于定子电流的电机故障预测性诊断方法，该方法深入机理研究，通过提取多个电流特征信号及其关键特征属性，然后识别各关键特征属性异常形态并进行组合优化，给出用于电机故障分类的多属性异常形态组合模式。该方法有助于电机的预测性运维以及减少工厂的经济损失，具有良好的应用前景。

技术实现思路

[0003]本专利技术的目的是提供一种基于RN网络电流多特征形态识别的电机故障诊断方法，能够及时发现电机故障，有利于电机的及时维修以及延长电机使用寿命。
[0004]为解决上述技术问题，本专利技术提供一种电机故障识别方法，包括：
[0005]提出了一种
‘
云、边、端
’
的电机智能管理框架；
[0006]采集电机的电流数据，并对所述电流数据进行特征处理，获得电流谐波、转频谐波、最大电流以及逆序电流等电流特征数据；
[0007]对经过特征处理后的电流特征数据进行属性约简，进一步提取电机故障诊断的关键特征属性；
[0008]截取关键特征属性的最大5％、最小5％数据进行拟合得到关键特征属性的边界形态图像；将形态图像输入RN网络进行异常形态识别；
[0009]对不同关键特征属性的边界异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。
[0010]可选地，所述智能管理框架，包括：
[0011]将在现场所采集到的电流数据上传到云端，并在云端完成数据的存储、分析、电机故障诊断模型训练等一系列过程；
[0012]将在云端训练好的模型部署到智能边缘端，将设备实时的运行数据输入到模型中，通过模型监测设备状态；
[0013]建立客户端，为运维工程师提供电机的实时状态监控、故障预警、历史表单查看等功能。
[0014]可选地，所述特征处理过程，包括：
[0015]将电流采集器获取的定子电流数据通过快速傅里叶变换计算各次电流谐波；通过对定子电流解调以及快速傅里叶变换计算各次转频谐波；基于电流短期内最大值获得最大电流；基于所获得的电流谐波计算逆序电流。
[0016]可选地，所述电流特征数据的属性约简过程，包括：
[0017]使用决策树算法以及专家经验对提取到的电流特征数据进行属性约简，挖掘出能决定电机故障的关键特征属性，并剔除跟电机故障关联性低的冗余属性。
[0018]可选地，所述关键特征属性的边界形态拟合过程，包括：
[0019]选取一小时中最大5％、最小5％数据，使用3σ(3倍标准差)原则去除所选取数据的离群点；分别计算去离群数据的一小时最大5％和最小5％数据的均值，将所计算的各小时均值进行连接形成上下粗边界。
[0020]可选地，为了将上下粗边界转换为平滑的上下边界，包括：
[0021]为获取平滑的上下边界，采用多起点分段拟合算法和采用贝叶斯全局优化算法获取使残差最小的线段分段数和起点位置，然后分段拟合获取各属性的上下光滑边界。
[0022]可选地，所述边界形态拟合图像的异常形态识别过程，包括：
[0023]使用RN神经网络对边界拟合图像进行识别，给出每种关键特征属性在不同故障下的边界异常形态。
[0024]可选地，确定电机故障类型过程，包括：
[0025]使用天牛须优化算法，对通过RN神经网络所获取的所有关键特征属性异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。
[0026]本专利技术给出了一种基于RN网络电流多特征形态识别的电机故障诊断方法,首先提出了一种
‘
云、边、端
’
的电机智能管理框架，将云端、智能边缘端以及客户端以端对端的形式进行连接，方便故障诊断模型的智能化训练以及用户对电机故障的实时掌握；对所采集到的电机电流数据进行特征处理，并获取电流谐波、转频谐波、最大电流以及逆序电流多个特征数据；对经过特征处理后的电流数据进行属性约简，进一步提取电机故障诊断的关键特征属性；提取关键特征属性的最大5％、最小5％数据进行拟合得到关键特征属性的边界形态图像；将形态图像输入RN网络进行异常形态识别；对不同关键特征属性的边界异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。
[0027]基于上述方法，本专利技术的优点在于：通过采集工厂中电机运行时的电流信号而非振动信号，避免安装昂贵的振动传感器而造成工厂不必要的经济支出；并且深入机理研究，通过提取多个电流特征信号及其关键特征属性，然后识别各关键特征属性异常形态并进行组合优化，根据最优组合模式匹配结果确定电机的故障类型，提高了电机故障诊断的准确性。本方法有助于电机的预测性运维以及减少工厂的经济损失，具有良好的应用前景。
附图说明
[0028]为了更清楚的说明本专利技术实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根
据这些附图获得其他的附图。
[0029]图1为本申请实施例提供的电机故障诊断方法的流程示意图；
[0030]图2为本申请实施例提供的电机智能管理框架图；
[0031]图3为本申请实施例提供的电流特征信号关键特征属性的边界形态提取过程图；
具体实施方式
[0032]为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]如图1所示，图1为本申请实施例提供的电机故障诊断方法的流程示意图，该电机故障诊断方法可以包括：
[0034]S11：采集电机的电流数据，并对所述电流数据进行特征处理，获得电流谐波、转频谐波、最大电流以及逆序电流等电流特征数据。
[0035]本实施例中的电流数据主要来源于电机工作过程中，设于电机上的电流采集器所采集到的定子电流数据。
[0036]通过定子电流数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电机的故障识别方法，其特征在于，包括：提出了一种
‘
云、边、端
’
的电机智能管理框架；采集电机的电流数据，并对所述电流数据进行特征处理，获得电流谐波、转频谐波、最大电流以及逆序电流等电流特征数据；对电流特征数据进行属性约简，进一步提取电机故障诊断的关键特征属性；截取关键特征属性的最大5％、最小5％数据进行拟合得到关键特征属性的边界形态图像；将形态图像输入RN网络进行异常形态识别；对不同关键特征属性的边界异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。2.如权利要求1所述的电机的故障识别方法，其特征在于，所述智能管理框架，包括：将在现场所采集到的电流数据上传到云端，并在云端完成数据的存储、分析、电机故障诊断模型训练等一系列过程；将在云端训练好的模型部署到智能边缘端，将设备实时的运行数据输入到模型中，通过模型监测设备状态；建立客户端，为运维工程师提供电机实时状态监控、故障预警、历史表单查看等功能。3.如权利要求1所述的电机的故障识别方法，其特征在于，所述特征处理过程，包括：将电流采集器获取的定子电流数据通过快速傅里叶变换计算各次电流谐波；通过对定子电流解调以及快速傅里叶变换计算各次转频谐波；基于电流短期内最大值获得最大电流；基于所获得的电流谐波计算逆序电流。4.如权利要...

【专利技术属性】
技术研发人员：马天雨，李志鹏，刘思亚，王嘉俊，刘金平，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：